論文の概要: Differential Unfolding: Efficient Unfolding Reconstruction for Video Snapshot Compressive Imaging

• arxiv url: http://arxiv.org/abs/2606.24153v1
• Date: Tue, 23 Jun 2026 05:20:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.78843
• Title: Differential Unfolding: Efficient Unfolding Reconstruction for Video Snapshot Compressive Imaging
• Title（参考訳）: ディファレンシャル・アンフォールディング : ビデオスナップショット圧縮画像の効率的なアンフォールディング再構成
• Authors: Muyuan Zhang, Jiancheng Zhang, Haijin Zeng, Yin-ping Zhao,
• Abstract要約: ディープ・アンフォールディング・ネットワーク(DUN)は、ビデオスナップショット圧縮イメージング(SCI)を支配している。 既存の手法は、最適化軌跡が静的状態に収束するという事実を無視して、同じ構造で高複雑さの先行を何度も積み重ねる。 我々は、一様反復を動的進化に置き換える不均一なフレームワークである微分展開(DU)を提案する。
• 参考スコア（独自算出の注目度）: 15.893464403713082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Deep Unfolding Networks (DUNs) dominate video Snapshot Compressive Imaging (SCI), they remain constrained by a uniform design philosophy. Existing methods repeatedly stack high-complexity priors with identical structures, ignoring the fact that optimization trajectories converge toward static states. This results in representation stagnation, where high-cost computations are wasted on minimal feature updates. To address this inefficiency, we present Differential Unfolding (DU), a heterogeneous framework that replaces uniform repetition with dynamic evolution. Central to DU is the Differential Evolutionary Framework (DEF), which partitions the unfolding process into two complementary roles: structural anchoring and differential evolution. In this scheme, high-parameter general stages are sparsely deployed to generate high-fidelity feature foundations. Complementing these, lightweight differential stages employ a Differential Representation Prior (DRP) to propagate and refine these foundational features through a differential mechanism. By integrating Differential Representation Attention (DRA) for evolving attention maps and a Differential Modulated FFN (DM-FFN) for feature rectification, DRP effectively models cross-stage variations with minimal overhead. By focusing computational resources on dynamic evolution rather than static redundancy, DU achieves a superior trade-off between accuracy and efficiency. Extensive experiments verify that our method establishes new state-of-the-art results while significantly slashing computational overhead. https://github.com/Muyuan-Zhang/DU
• Abstract（参考訳）: ディープ・アンフォールディング・ネットワークズ (DUNs) はビデオ・スナップショット圧縮イメージング (SCI) を支配しているが、それでも一様設計哲学に制約されている。 既存の手法は、最適化軌跡が静的状態に収束するという事実を無視して、同じ構造で高複雑さの先行を何度も積み重ねる。 これにより、最小限の機能更新で高コストの計算が無駄になる、表現の停滞が生じる。 この非効率性に対処するために、一様反復を動的進化に置き換える不均一なフレームワークであるdifferial Unfolding (DU)を提案する。 DUの中心は差分進化フレームワーク(DEF)であり、展開するプロセスを2つの補完的な役割、すなわち構造的アンカーと微分進化に分割する。 このスキームでは、高純度特徴基礎を生成するために、高パラメータ一般ステージをわずかに展開する。 これらを補完し、軽量な微分段階は微分機構を通じてこれらの基礎的特徴を伝播・洗練するために微分表現優先(DRP)を用いる。 注意マップの進化のための微分表現注意(DRA)と特徴修正のための微分変調FFN(DM-FFN)を統合することで、DRPは最小限のオーバーヘッドで、効果的にステージ間の変動をモデル化する。 静的冗長性よりも動的進化に計算資源を集中させることで、DUは精度と効率のトレードオフが優れている。 大規模な実験により,本手法は計算オーバーヘッドを大幅に削減しつつ,新たな最先端結果を確立することが確認された。 https://github.com/Muyuan-Zhang/DU

関連論文リスト

• Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models [6.403678133359229]
  高次元記録における潜伏力学は、しばしばより小さな有効変数の集合によって特徴づけられる。 ほとんどの機械学習アプローチは、動的一貫性を強制するモデルとともにオートエンコーダをトレーニングすることで、これらのタスクに共同で取り組む。 我々は最近導入されたファンデーション推論モデル(FIM)を利用して2つの問題を分離することを提案する。 半円拡散を合成ビデオデータに埋め込んだ二重井戸系における概念実証は、高速で再利用可能な粗粒化パイプラインに対するこのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2025-10-14T15:17:23Z)
• Improving Progressive Generation with Decomposable Flow Matching [50.63174319509629]
  Decomposable Flow Matching (DFM)は、ビジュアルメディアのプログレッシブな生成のためのシンプルで効果的なフレームワークである。 Imagenet-1k 512pxでは、DFMはベースアーキテクチャよりも35.2%改善され、ベースラインは26.4%向上した。
  論文  参考訳（メタデータ） (2025-06-24T17:58:02Z)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。